Page 47 - 2022-23-中国全科医学

·2860· http://www.chinagp.net E-mail:zgqkyx@chinagp.net.cn

有 =1，无 =0）、降压药物使用史（赋值：有 =1，无 =0） 为 0.784〔95%CI（0.674，0.894）〕（P=0.003）， 灵
后，TIR>70% 仍是 T2DM 患者出现白蛋白尿的保护因 敏度为 78%，特异度为 83%，最佳切点为 69.71%（图
素（P<0.05），见表 4。 2）。两者 AUC 比较，差异无统计学意义（Z=1.847，
另外，以有无白蛋白尿为因变量（赋值：有 =1， P=0.362）。
无 =0），以 FGMS 其他连续性指标为自变量，进行多 3 讨论
因素 Logistic 回归分析，结果显示，在校正人口学及混 本研究发现，T2DM 患者的 TIR 与 lnUACR 呈负相
杂变量后，TAR 升高是 T2DM 患者出现白蛋白尿的危险 关，即 TIR 水平越高，出现白蛋白尿的风险越低。相比
因素（P<0.05），见表 4。 于 TIR ≤ 70% 者，TIR>70% 者出现白蛋白尿的风险降
2.5 ROC 曲线分析 HbA 1c 、TIR 对白蛋白尿的预测价值 低了 96.2%。这种相关性与年龄、T2DM 病程、是否有
HbA 1c 预测白蛋白尿的 AUC 为 0.705〔95%CI（0.579， 高血压病史和有无 SGLT-2 抑制剂、降压药物使用史无
0.831）〕（P=0.003），灵敏度为 75%，特异度为 关，且独立于 HbA 1c 。此外，TAR 升高也是其独立危险
65%，最佳切点为 7.65%。TIR 预测白蛋白尿的 AUC 因素。然而，低血糖指标与白蛋白尿不相关。
优化血糖控制能够降低 T2DM 并发症的发生风险或
表 4 FGMS 指数与 T2DM 患者发生白蛋白尿关系的多因素 Logistic 回 延缓其进展 ［13］ 。然而，DE BLOCK 等 ［14］ 发现，在采
归分析
Table 4 Multivariate Logistic regression of the associations of blood
glucose metrics monitored by a flash glucose monitoring system and 8
albuminuria
2
变量 模型 β SE Wald χ 值 OR（95%CI） P 值 6
TIR 单变量 -2.513 0.584 18.528 0.081（0.026，0.254） <0.001
模型 1 -4.328 1.128 14.717 0.013（0.001，0.120） <0.001 4
模型 2 -3.834 1.174 10.664 0.022（0.002，0.216） 0.001 lnUACR（mg/g）
模型 3 -3.275 1.282 6.523 0.038（0.003，0.467） 0.011
MBG 单变量 0.630 0.160 15.459 1.878（1.372，2.571） <0.001 2
模型 1 0.901 0.234 14.854 2.463（1.557，3.896） <0.001
模型 2 0.710 0.236 9.024 2.033（1.280，3.230） 0.003
0 20 40 60 80 100
模型 3 0.482 0.260 3.436 1.620（0.973，2.697） 0.064 TIR（%）
2
TAR 单变量 0.051 0.013 16.438 1.052（1.027，1.079） <0.001 注：R =0.258，P<0.001；UACR= 尿白蛋白 / 肌酐比值，TIR= 葡
模型 1 0.079 0.019 17.049 1.082（1.042，1.123） <0.001 萄糖在目标范围内时间
图 1 TIR 与 lnUACR 关系的散点图
模型 2 0.067 0.020 10.906 1.069（1.028，1.113） 0.001
Figure 1 Scatter plot of TIR and the natural logarithm-transformed UACR
模型 3 0.045 0.023 3.927 1.046（1.000，1.094） 0.048
SDBG 单变量 0.979 0.369 7.051 2.661（1.292，5.480） 0.008 100
TIR
模型 1 1.379 0.491 7.887 3.973（1.517，10.403） 0.005
模型 2 1.504 0.637 5.580 4.499（1.292，15.670） 0.018
80
模型 3 1.553 1.087 2.041 4.724（0.561，39.765） 0.153
MAGE 单变量 0.458 0.180 6.488 1.581（1.111，2.250） 0.011
模型 1 0.679 0.241 7.900 1.971（1.228，3.164） 0.005 60 HbA 1c
模型 2 0.736 0.280 6.916 2.087（1.206，3.612） 0.009 灵敏度（%）
模型 3 0.580 0.351 2.727 1.786（0.897，3.554） 0.099
LAGE 单变量 0.219 0.084 6.773 1.245（1.055，1.467） 0.009 40
模型 1 0.339 0.122 7.753 1.404（1.106，1.783） 0.005
模型 2 0.356 0.145 6.001 1.427（1.074，1.897） 0.014
20
模型 3 0.320 0.212 2.270 1.377（0.908，2.086） 0.132
CONGA 2 单变量 0.513 0.168 9.297 1.670（1.201，2.323） 0.002
模型 1 0.782 0.273 8.227 2.185（1.281，3.728） 0.004
模型 2 0.682 0.296 5.302 1.978（1.107，3.534） 0.021 0 20 40 60 80 100
100- 特异度（%）
模型 3 0.622 0.399 2.436 1.864（0.853，4.072） 0.119
注：HbA 1c = 糖化血红蛋白
注：模型 1 校正年龄、收缩压，模型 2 在模型 1 的基础上校正 图 2 HbA 1c 和 TIR 预测 T2DM 患者发生白蛋白尿的 ROC 曲线
HbA 1c 、TG，模型 3 在模型 2 的基础上校正 T2DM 病程、SGLT-2 抑 Figure 2 ROC curves of HbA 1c and TIR for predicting albuminuria in
制剂使用史、降压药物使用史 T2DM